Big Data e analitiche 3.0 stanno diventando paradigmi strategici per la competitività aziendale, indipendentemente dalle dimensioni organizzative. Come fare leva allora su dati e informazioni, attraverso una strategia consistente e capace di portare i risultati fissati ex-ante?
Ci viene in aiuto Thomas Davenport, Guru internazionale della disciplina. Prendiamo spunto da "Big Data @ Lavoro. Sfatare i Miti, Scoprire le Opportunità", il suo manuale uscito da poche settimane anche in Italia grazie a FrancoAngeli, per fare un po' di chiarezza sul tema.
LEGGI ANCHE: Big Data al Lavoro, il libro per scoprire tutti gli aspetti fondamentali dei Big Data [RECENSIONE]
Quali sono gli obiettivi di una Big Data Strategy?
Stabilire cosa vuole la vostra organizzazione dai Big Data è un tema cruciale per ottenere i benefici sperati. A proposito, possiamo identificare 4 principali goal strategici:
- Riduzione dei costi: l'obiettivo che con più facilità vi convincerà ad aprirvi ai Big Data. Sarà una decisione presa principalmente dal reparto IT, ed è tipica delle realtà finanziarie.
- Risparmio di tempo: necessario per lo svolgimento di determinati processi. Utilizzato molto in ambito retail. Macy's è riuscita a ridurre i tempi di ottimizzazione del pricing per i suoi oltre settanta milioni di articoli, da ventisette ore a poco più di una. Un'ipotesi suggestiva? La variazione dei prezzi in funzione delle condizioni meteo. Vi stiamo convincendo?
- Sviluppo di nuove offerte: lo sta già facendo Novartis, che coltiva i Big Data per sviluppare nuovi farmaci attraverso la leva delle conoscenze bioinformatiche. Come dice Davenport all'interno del manuale, inoltre:
"Orientare l'impiego dei Big Data verso l'innovazione di prodotto o di servizio ha implicazioni anche sulla valutazione economica dei vostri sforzi. Lo sviluppo prodotti è infatti generalmente classificato come un investimento, non come un'opportunità di risparmio. Adottando questo orientamento potreste quindi non solamente risparmiare parecchio denaro, o parecchio tempo, ma anche aggiungere grosse cifre ai ricavi della vostra azienda."
- Ausilio alle decisioni interne: si tratta dello scopo principale dell'analytics tradizionale.
Discovery vs produzione
Le attività legate all'analisi applicata ai Big Data sono principalmente due: discovery (o esplorazione) vs produzione.
La prima è l'esplorazione dei dati (Big Data Discovery), ed è solitamente coordinata dai Data Scientist. Sono loro a impostare esperimenti con i dati, accettando l'idea che l'ipotesi iniziale possa essere confutata dai fatti.
Per produzione si intende invece l'immissione dell'applicazione nei processi di produzione in grande scala. Non tutte le idee prodotte dalla fase di discovery finiscono in produzione: anzi, cercate di restare sotto il 50%!
3 principali approcci ai Big Data
I Big Data sono ben più di una moda passeggera, ma non bisogna farsi prendere dall'ansia di iniziare tutto, e subito. A proposito, all'interno del suo "Big Data @ Lavoro" Davenport individua tre principali stili di adozione dei Big Data, da scegliere in funzione del settore, dei comportamenti dei competitor e del grado di innovazione aziendale.
- Stile cauto: è da consigliare alla maggior parte delle organizzazioni, al fine di comprendere quale potrebbe essere il livello di adozione e pervasività del paradigma all'interno dell'azienda. Tutto potrebbe per esempio partire con un'attività di formazione al management, per sensibilizzarlo al tema e su cui gettare le basi di sviluppi futuri.
- Stile moderatamente aggressivo: indicato se il settore si è già mosso, e non volete "rimanere indietro". Dovrete già possedere competenze di discovery, e avere affrontato i principali aspetti organizzativi connessi all'adozione dei Big Data.
- Stile aggressivo: General Electric, Google, eBay, LinkedIn sono realtà nate con un approccio aggressivo e impegnato verso i Big Data, fondando sulle analitiche il proprio potenziale (vantaggio) competitivo. Per adottare questo approccio occorrono competenze in house e forti investimenti.
I Protagonisti dei Big Data
Parlare di risorse umane in relazione ai Big Data oggi significa citare la professionalità del Data Scientist.
Richiesto soprattutto dalla fine del primo decennio del nuovo secolo, in particolare dalle startup e dalle aziende aventi headquarters a San Francisco, lo stesso Data Scientist possiede diversi "cappelli": hacker, scienziato, consulente, analista quantitativo, esperto di business.
Esso può essere più verticale (con una conoscenza molto approfondita in uno specifico campo), oppure orizzontale (capaci di integrare vision e competenze più tecniche).
Conclusioni
Il settore dei Big Data è (ad oggi) solo agli inizi, ma sta già aprendo una nuova epoca. Molte organizzazioni - soprattutto di medio-grandi dimensioni - stanno entrando nella data economy e usano i Big Data per i diversi obiettivi sopra elencati, approcciati anche in modo sinergico.
Nell'immediato futuro emergeranno altri modelli, ma le aziende devono già muoversi per transitare verso i nuovi paradigmi. Parola di Thomas Davenport!